論文の概要: Representations from Pretrained Machine-Learning Interatomic Potentials as Coarse Coordinates for Material Generation and Evaluation

• arxiv url: http://arxiv.org/abs/2607.28776v1
• Date: Thu, 30 Jul 2026 18:56:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.453635
• Title: Representations from Pretrained Machine-Learning Interatomic Potentials as Coarse Coordinates for Material Generation and Evaluation
• Title（参考訳）: 物質生成と評価のための粗調整としての事前学習型原子間ポテンシャルからの表現
• Abstract要約: 我々は、事前学習された機械学習原子間ポテンシャル(MLIP)から得られる原子平均的特徴のパワーを示す。 まず,材料生成モデルの出力を評価する距離尺度を導入する。 粗いMACE特徴を材料生成モデルのガイダンスとして用いることができることを示す。
• 参考スコア（独自算出の注目度）: 2.6310284833506414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative machine learning is increasingly used for inorganic crystal structure generation. Most models and the corresponding evaluation approaches rely on simple forms of crystal structure representation. In this paper, we showcase the power of atom-averaged features from pretrained Machine-Learning Interatomic Potentials (MLIPs), such as MACE, for such tasks. We first introduce a distance measure that assesses the output of material generative models by capturing both quality and novelty in a single distribution-based evaluation framework. In particular, we introduce the Coarse-Fine Transport Distance (CFTD) using two different featurizers, where the quality component is based on coarse MACE features. We showcase CFTD's versatility in capturing crystal-structure quality while also detecting memorization, and compare it with the recently introduced continuous SUN metrics. We further show that coarse MACE features can be used as guidance for a material generative model.
• Abstract（参考訳）: 生成機械学習は無機結晶構造生成にますます利用されている。 ほとんどのモデルとそれに対応する評価アプローチは、単純な結晶構造表現の形式に依存している。 本稿では,MACEのような事前学習された機械学習型原子間ポテンシャル(MLIP)から得られる,原子平均的特徴の力について述べる。 まず, 1 つの分布に基づく評価フレームワークにおいて, 品質と新規性を両立させることにより, 材料生成モデルの出力を評価する距離測定手法を提案する。 特に,粗粒輸送距離(CFTD)と粗粒輸送距離(CFTD)について,粗粒輸送距離(CFTD)と粗粒輸送距離(CFTD)と粗粒輸送距離(CFTD)を比較した。 我々は,CFTDの結晶構造品質の把握と暗記の検出における汎用性を示し,最近導入された連続SUN測定値と比較した。 さらに,MACEの粗い特徴が材料生成モデルのガイダンスとして利用できることを示す。

関連論文リスト

• Packora: Systematic Design for Generative Molecular Crystal Structure Prediction [29.599535841852727]
  分子結晶構造予測(CSP)のためのフローベース生成モデルであるPackoraを提案する。 Packoraは多成分および有機金属結晶をサポートし、分子コンフォメータ、立体化学ラベル、空間群情報の任意のサブセットに単一のモデルで条件付けすることができる。 我々は生成とランキングを別々に評価し、ジェネレータの品質とランキングを分離し、共通の緩和とランキングパイプラインの下でエンドツーエンドのパフォーマンスを測定する。
  論文  参考訳（メタデータ） (2026-08-27T11:01:18Z)
• An Enhanced Geometric-Spectral Feature Learning Framework for Airborne Multispectral Point Cloud Classification [51.004475033276215]
  2つのMPCデータセットを構築し,航空機搭載型MPC分類の注意点に基づく幾何スペクトル特徴学習フレームワークを提案する。 我々のモデルにおける重要な要素は、空間スペクトル特徴の表現能力を向上するアテンション機構を持つ2ストリーム特徴融合法である。 航空機搭載型MPCデータセットの2つの実験結果から,提案手法の有効性が実証された。
  論文  参考訳（メタデータ） (2026-06-08T07:18:38Z)
• Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
  汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。 Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
  論文  参考訳（メタデータ） (2026-02-24T20:52:39Z)
• Transport Novelty Distance: A Distributional Metric for Evaluating Material Generative Models [2.5779675962411654]
  本稿では,TNovD(Transport Novelty Distance)を導入し,材料発見に用いる生成モデルを,生成材料の品質と新規性によって共同で評価する。 最適輸送理論のアイデアに基づいて、TNovDはトレーニングの特徴と生成された集合の結合を使用し、閾値によって品質と記憶の仕組みに洗練される。 本研究では, 結晶構造予測に係わる典型的な玩具実験について, 記憶, ノイズ注入, 格子変形などについて評価した。
  論文  参考訳（メタデータ） (2025-12-10T10:38:58Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• Beyond Atomic Geometry Representations in Materials Science: A Human-in-the-Loop Multimodal Framework [2.172419551358714]
  MultiCrystalSpectrumSet(MCS-Set)は、原子構造と2Dプロジェクションと構造化テキストアノテーションを統合することで、材料データセットを拡張するキュレートされたフレームワークである。 MCS-Setは,(1)マルチモーダル特性と要約予測,(2)部分クラスタ管理による制約結晶生成の2つの重要なタスクを実現する。
  論文  参考訳（メタデータ） (2025-05-30T23:18:42Z)
• Open Materials Generation with Stochastic Interpolants [14.939468363546384]
  Open Materials Generation (OMatG) は、結晶材料の生成設計と発見のための統一的なフレームワークである。 OMatGは無機補間剤を用いて任意の塩基分布を無機結晶の標的分布にブリッジする。 我々はOMatGの性能を結晶構造予測と'de novo'生成の2つのタスクでベンチマークする。
  論文  参考訳（メタデータ） (2025-02-04T18:56:47Z)
• Fine-Tuned Language Models Generate Stable Inorganic Materials as Text [53.81190146434045]
  テキストエンコードされた原子構造データに基づく微調整された大規模言語モデルは、実装が簡単で信頼性が高い。 我々の最強モデルは、CDVAEの約2倍の速度で準安定であると予測された物質を生成することができる。 テキストプロンプト固有の柔軟性のため、我々のモデルは安定物質を無条件に生成するために同時に使用することができる。
  論文  参考訳（メタデータ） (2024-02-06T20:35:28Z)
• Spectroscopy-Guided Discovery of Three-Dimensional Structures of Disordered Materials with Diffusion Models [6.97950396242977]
  対象物から乱れた材料の3次元構造を予測するための拡散モデルに基づく新しいフレームワークを提案する。 我々のモデルは、特定のXANESスペクトルの原子配列を調整するための生成過程を制御できることを示します。 本研究は, 材料評価と原子構造決定のギャップを埋める上で, 重要な歩みを示している。
  論文  参考訳（メタデータ） (2023-12-09T05:40:10Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。 材料の生成モデルを評価するための追加指標を提案する。
  論文  参考訳（メタデータ） (2023-10-18T15:49:39Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。